本发明涉及一种基于自回归滑动平均和神经网络混合模型的新能源汽车电池性能预测方法。
背景技术：
新能源电池的性能预测对提高电池利用率，延长电池使用寿命，保证电池使用安全，降低由于电池性能衰退对设备运行带来的损坏具有重要意义。
现有的电池性能预测方法主要有：基于电池使用中信号特征的机器学习方法和基于实验验证的经验公式法。大连理工大学2015年的专利“一种基于组合神经网络的电池组容量检测系统”，公开了一种基于组合神经网络的电池组容量检测方法。该方法电池组容量检测工作系统中的组合神经网络由1个BP网络检测单元和3个ELM网络检测单元构成，对一个待测电池组进行容量检测时，首先用其中的BP网络检测单元进行初级检测，确定出待测电池组的容量所处范围；然后选用其中适于该范围的ELM网络检测单元进行第二级检测，从而实现电池组容量的预测。
但是，人工神经网络的学习及问题求解具有“黑箱”特性，其知识获取过程难以解释，不能提示出系统内部的一些潜在关系，在线性时间序列时表现较差，在实际的电池性能预测中具有一定的局限性。
技术实现要素：
本发明要解决的技术问题是克服上述缺陷，提供了一种非确定性推理的新能源汽车电池故障诊断方法，设计合理，采用混合模型采用自回归滑动平均模型和神经网络模型相结合的方法，不仅可以捕捉时间序列的线性部分，又可以捕捉非线性时间序列。与现有的技术方法相比，将两部分结果合并起来会得到更高的预测精度，因而有着十分宽广的应用前景。
为解决上述问题，本发明所采用的技术方案是：
一种新能源汽车电池性能预测方法，其特征在于：包括以下步骤：
步骤一、利用自回归滑动平均模型建模时间序列的线性部分，同时得到余项
步骤二、利用得到的余项建立神经网络模型，即建模非线性部分
步骤三、将上述的结果结合起来，得到混合模型
由于采用了上述技术方案，与现有技术相比，本发明采用数据挖掘技术，结合自回归滑动平均模型和神经网络模型，建立混合模型。由于自回归滑动平均模型不能捕捉时间序列的非线性部分，所以得到的余项包含了时间序列的非线性成分，利用神经网络建模余项，再将两部分结果合并起来会得到更高的预测精度。通过获取电池使用数据，并对自回归滑动平均模型和神经网络模型预测方法进行改进，使其可以弥补自回归滑动平均模型在预测复杂非线性时间序列时结果误差很大，以及神经网络模型在建模线性时间序列时表现较差的问题。
本发明设计合理，采用混合模型采用自回归滑动平均模型和神经网络模型相结合的方法，不仅可以捕捉时间序列的线性部分，又可以捕捉非线性时间序列。与现有的技术方法相比，将两部分结果合并起来会得到更高的预测精度，因而有着十分宽广的应用前景。
具体实施方式
实施例：
一种新能源汽车电池性能预测方法，包括以下步骤：
步骤一、利用自回归滑动平均模型建模时间序列的线性部分，同时得到余项
步骤二、利用得到的余项建立神经网络模型，即建模非线性部分
步骤三、将上述的结果结合起来，得到混合模型
本实施例中，电池采集的电压、电流、电阻、温度等数据看作时间序列，应用时间序列相关理论对其进行建模和预测。
在实际应用中采用自回归滑动平均模型ARMA(9，0)，并将相关参数代入(1)式，得到自回归滑动平均余项。
利用得到的余项建立单隐含层4输入神经元神经网络模型，即建模非线性部分作为实验模型，利用公式(2)，得到神经网络建模结果。
将公式(1)和公式(2)的值代入公式(3)，结合自回归滑动平均模型和神经网络模型对电池性能进行预测。
本发明利用混合模型对电池性能预测方法，将自回归滑动平均模型和神经网络模型进行结合，具有线性时间序列和非线性时间序列捕捉能力。与现有的技术相比，对电池性能预测更加精确。对本发明的检验是将输入电池使用的电压、电流、电阻、温度数据，输出电池性能预测数据。预测结果误差最小为err＝0.017，预测准确率达到86％以上。